Jejunum and ileum blunt trauma: what has changed with the implementation of multislice computed tomography?
Notice bibliographique
Résumé
OBJECTIVE: to evaluate the impact of the new technology of multidetector computed tomography (MDCT) in improving the accuracy and early diagnosis of BSBI. METHODS: patients with blunt small bowel injuries (BSBI) grade> I were identified retrospectively and their CT scans reviewed by an experienced radiologist. Clinical and tomographic findings were analyzed and patients grouped as "pre-MDCT" and "post-MDCT", according to the time of implementation of a 64-slice MDCT. RESULTS: of the 26 patients with BSBI 16 had CT scans. Motor vehicle collision (62.5%) was the most frequent mechanism of injury. In the pre-MDCT period, five of the 13 patients (38.5%) had abdominal CT, and in the post-MDCT, 11 of 13 patients (84.6%) had the exam. During pre-MDCT, all CT scans were abnormal with findings of pneumoperitoneum (60%), free fluid (40%) and bowel wall enhancement (20%). In the post-MDCT group, all exams but one were abnormal and the most frequent findings were free fluid (90.9%), bowel wall enhancement (72.7%), and pneumoperitoneum (54.5%). However, the rate of delayed laparotomy did not change. The mortality rate in both groups were similar, with 20% during pre-MDCT and 18.2% during post-MDCT. CONCLUSION: the use of MDCT in abdominal trauma in our service has increased the sensibility of the diagnosis, but has had no impact on outcome so far.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».